人类视觉系统的注意力机制使人类选择性地关注图片中信息量最大、最具特征的部分,而不是整个场景。通过计算机学习人类的这种视觉机制,被称为图像显著性目标检测。传统的方法可以借助颜色和纹理等低级特征信息去学习自然图像中的显著性信息。然而面对一些包含复杂背景、连续目标或低对比度等特点的自然图像时,传统方法的检测效果较差。而深度卷积神经网络能够利用大量的神经元学习输入图像中的多尺度、多水平的特征信息,相较于传统方法具有更多的优势。因此本文提出了多种基于卷积神经网络的图像显著性目标检测算法,主要工作包括:(1)提出一种结合注意力机制与多路径级联特征优化网络的显著性目标检测模型。由两个部分构成:基于注意力机制的多层次特征提取和多路径级联特征优化。多层级特征提取过程采用的是挤压激励残差网络,能够有选择地自动学习和关注输入部分。多路径级联特征优化网络通过对提取到的多层级特征进行逐层优化、逐层上采样以及逐层特征融合最终获得结果图。在四个公开数据集上与CHFR算法相比,MAE指标(越小越好)分别下降了1.75%、1.58%、1.03%和1.23%;ω-F_β指标(越大越好)分别提高了5.92%、6.45%、10.23%和5.09%。(2)提出一种结合上下文信息与特征融合网络的轻量级显著性目标检测模型。由三个部分构成:结合上下文信息的多尺度特征提取,轻量级特征优化与多层次特征融合。多尺度特征提取基于多尺度残差网络Res2Net,生成粗糙特征图。然后,使用基于可分离式卷积的轻量化特征优化模块逐步优化特征。最后,将提取到的多层次特征融合到一起,得到最后的显著性结果图。在四个公开数据集上与Pool Net算法相比,MAE指标分别下降了1.2%,0.4%,0%和0.4%;max-F_β指标分别上升了0.4%,0%,-1.7%和0.2%。(3)设计了基于显著性目标检测的图像处理系统原型。该系统具有图像背景虚化、一键抠图、风格变换与异度空间等丰富的美图功能。这项工作中所提出的两种图像显著性目标检测算法,不但提高了检测性能,而且降低了检测成本。同时,设计了基于显著性目标检测的图像处理系统原型,具有友好的人机交互式界面,能够为对美图有需求的用户带来诸多便利。